GraphARC：图结构抽象推理综合基准

关系推理是智能的核心，但现有基准通常局限于网格或文本等格式。我们提出GraphARC，一个面向图结构数据抽象推理的基准。GraphARC将抽象与推理语料库（ARC）的小样本变换学习范式推广到图上。每个任务要求从少量输入-输出对中推断变换规则并应用于新的测试图，涵盖局部、全局与分层图变换。与基于网格的ARC不同，GraphARC实例可在多样的图族与规模上批量生成，从而支持对泛化能力的系统评估。我们在GraphARC上评估了最先进的语言模型，观察到明显的局限。模型能回答关于图性质的问题，却常常无法完成完整的图变换任务，揭示出理解-执行鸿沟。在更大实例上性能进一步下降，暴露出扩展障碍。更广泛地说，GraphARC在单一框架内结合了节点分类、链接预测与图生成等方面的要素，为未来的图基础模型提供了有前景的试验场。